輸電線路無人機自主巡檢方法研究與應用

黃鄭 王紅星 翟學鋒 王永強 高超

摘 要：為了解決輸電線路無人機巡檢作業(yè)易受惡劣天氣影響、遠距離遙控不及時、通信穩(wěn)定性差等問題，提出了一種輸電線路無人機自主巡檢方法。首先，利用卡爾曼濾波算濾除原始線路中的軌跡噪點，采用垂距法對軌跡冗余點進行過濾，優(yōu)化巡檢航線;其次，提出基于巡檢對象差異特性的動態(tài)優(yōu)化定位方法提升無人機巡檢質量。以某220 kV輸電線路桿塔進行測試，測試結果表明，提出的方法解決了航線采集以及定位優(yōu)化問題，貫穿航線學習到自主巡檢的流程之中，兼顧了無人機自主巡檢效率以及巡檢精確度。

關鍵詞：輸電線路;無人機自主巡檢;航線自學習;定位優(yōu)化

Abstract：In order to solve the problems such as vulnerable to bad weather， untimely remote control and poor communication stability， the uav autonomous inspection method is proposed in this paper. Firstly， kalman filter was used to filter the track noise points in the original line， and the offset method was used to filter the track redundancy points， so as to optimize the inspection route. Secondly， a dynamic optimization positioning method based on the difference characteristics of inspection objects is proposed to improve the quality of uav inspection. A 220kV transmission line tower was used for the test. The test results showed that the method proposed in this paper effectively solved the problems of route acquisition and positioning optimization， learned the process of autonomous inspection throughout the route， and took into account the autonomous inspection efficiency and accuracy.

Key words：transmission line; uav autonomous inspection; route self-learning; location optimization

輸電線路穿越復雜、偏遠的地區(qū)，在長期運行過程中極易遭受自然災害和人為破壞，進而引發(fā)嚴重的電力事故，影響電網安全與穩(wěn)定運行[1]。隨著無人機巡檢技術的逐漸成熟，其在電力系統(tǒng)、地質勘探、環(huán)境監(jiān)測等各個領域得到了廣泛應用[2-4]。目前，無人機仍需要專業(yè)人員操作，無人控制、完全自主作業(yè)能力尚未實現(xiàn)。

無人機自主巡檢關鍵在于自動獲取“無人機巡檢軌跡航線”數(shù)據，而當前學術領域對該方向研究大部分集中在軌跡跟蹤控制上[5-7]，對于飛行控制之前軌跡數(shù)據獲取方式研究相對較少。現(xiàn)有航線學習策略往往是通過飛手控制無人機模擬一段作業(yè)軌跡航線，并在飛行過程中通過不斷觸發(fā)、記錄位置點狀態(tài)來獲取目標軌跡線路。這種方法弊端在于人為觸發(fā)記錄位置點狀態(tài)操作容易被遺忘，使得獲取的軌跡航線存在較大偏差，進而可能引發(fā)無人機炸機事故。

為此，提出了一種輸電線路無人機自主巡檢方法，利用卡爾曼濾波算濾除原始線路中的軌跡噪點，采用垂距法對軌跡冗余點進行過濾，優(yōu)化巡檢航線;其次，提出基于巡檢對象差異特性的動態(tài)優(yōu)化定位方法提升無人機巡檢質量，有效解決了航線采集以及定位優(yōu)化問題，貫穿航線學習到自主巡檢的流程之中，兼顧了無人機自主巡檢效率以及巡檢精確度。

1 航線自學習

1.1 位置點信息提取與噪點濾波

輸電線路無人機原始巡檢軌跡是由飛行過程中實時記錄的位置點構成，每一個位置點都可以視為觀測值，其中不免存在噪點（即不準確的位置點），噪點的存在不僅會加重計算負擔，而且嚴重影響航線學習精度，為此需要對原始軌跡進行濾波處理，但在濾波之前需要首先建立無人機的動力學模型，具體為：

卡爾曼濾波是一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法[8]。由公式（2）可知，在建立無人機狀態(tài)方程后，需要對其下一時刻的位置信息進行預測（或估計），卡爾曼濾波恰好可以實現(xiàn)這一功能，同時也可以濾除位置信息中的噪聲。

傳統(tǒng)的卡爾曼濾波需要進行矩陣逆運算，對于實時性要求較高且計算量有限的無人機機載端運算系統(tǒng)來說，不利于算法的高效利用。因此，本文選擇文獻[9]提出的一種基于泰勒級數(shù)展開的卡爾曼濾波算法，該算法無需進行矩陣逆運算，且算法仍可滿足性能要求。

1.2 路點篩選

利用卡爾曼濾波得到原始位置點的狀態(tài)數(shù)量仍然較多，這會導致無人機需要飛行的位置點過多，嚴重降低飛行效率，因此需要對位置點狀態(tài)集合中的位置點進行篩選。例如，對于一條直線線段軌跡，只需篩選出直線的起始與結束端點就可以確定這條直線軌跡，而不用去記錄直線線段上的所有點。

結合無人機現(xiàn)實作業(yè)場景，可知需要篩選的位置點包括：軌跡起始位置點，拍照位置點，軌跡拐點，軌跡結束位置點。設計如圖1所示的路點篩選流程，該篩選流程的數(shù)學表示為：

圖1中的篩選條件可以直接根據位置點的狀態(tài)數(shù)據進行判斷，其中是拐點的判斷是根據垂距限值算法進行處理的。垂距限值算法流程如圖2所示，具體計算過程如下，保留的點即為拐點：

（1）以第二個點開始，計算第二個點到前一個點和后一個點所在直線的距離d，如果d大于閾值，則保留第二個點;

（2）計算第三個點到第二個點和第四個點所在直線的距離d，如果d小于閾值則舍棄第二個點，計算第三個點到第一個點和第四個點所在直線的距離d;

（3）依次類推，直到曲線上倒數(shù)第二個點。

通過上面的路點篩選流程，可以得到篩選后的目標融合軌跡線路。

1.3 軌跡相似度

在得到濾波、篩選后的融合線路后，需要對比融合線路與原始線路之間的相似度，從而判斷經過處理后的位置點軌跡線路是否可接受。本文利用歐氏距離dE（·）計算相似度，如式（6）所示：

在經過上述處理后，軌跡相似度全部落在了0和1之間，且取值越大，相似度越高。即表明通過自學習得到的航線的精度滿足要求，可以用于自主巡檢中。

2 不同設備的精準定位方法

電力設備尺寸各異，拍攝要求不一，在規(guī)范化作業(yè)的過程中，不同設備的特性決定了它在畫面中的大小。部分巡檢目標在照片中占用畫幅大，如圖3（a）所示，無人機垂直高度精度稍微變差就可能導致拍不全;部分巡檢目標在照片中占幅較小，允許無人機在水平與垂直定位精度存在一定的偏差，如圖3（b）所示;部分目標尺寸小，在畫面的占幅小，對精度的要求較低，如圖3（c）所示，即使路點水平或者垂直定位精度出現(xiàn)較大的誤差，拍攝圖像也可以包含目標物。

因此，在實現(xiàn)航線自主學習的基礎上，本文一種提出基于巡檢對象差異特性的動態(tài)優(yōu)化定位方法，從而提升了無人機自主巡檢質量和效率。

針對設備在基準圖像中的畫面占幅特性設置不同的定位容忍閾值T，在巡檢中根據無人機與目標設備的水平徑向距離實時調整容忍距離T′，只要滿足T< T′即可完成定位并減少定位調整時間。

基于基準圖像的定位容忍閾值的計算過程為：

（1）利用人工標注的方式對基準圖像進行設備檢測，假設設備在基準圖像與上右下左邊界的距離像素值為（t，r，b，l）;

（2）假設鏡頭距離巡檢設備距離為d，鏡頭的FOV為f，則可以算得視野對角線距離lfov：

在自主巡檢過程中，當無人機位置與期望位置高度誤差滿足D′t，D′b，且無人機相對于目標設備切向偏移滿足D′r，D′l時，即表示調整完成，此時可以啟動對焦拍攝。

由于巡檢設備的尺寸與形態(tài)各異，根據規(guī)范化作業(yè)要求為每種巡檢設備設置不同的控制精度，在保證巡檢設備在圖像中的同時又避免了額外的位置調整時間。例如，對于精度要求中等或者低的巡檢設備，由于T′值較大，對誤差容忍度高，定位控制調整需時短，因此巡檢時間較低，實現(xiàn)了巡檢效率的優(yōu)化。

3 實驗分析

為驗證所提出的算法有效性，采用大疆 Mobile SDK開發(fā)無人機自主巡檢APP，并用于某220kV輸電線路開展自主巡檢測試實驗。在實驗過程中，先利用無人機獲取原始軌跡的數(shù)據信息，然后在提出的航線自學習方法的控制下實現(xiàn)無人機的自主飛行并記錄融合軌跡，通過結果對比對算法有效性進行分析，實驗結果如圖4所示。表1給出了六組實驗的軌跡相似度計算結果。表2給出了融合前、后的路點數(shù)量比較結果。

由圖4和表1可以看出：利用提出的方法可以實現(xiàn)原始軌跡的精確跟蹤和復現(xiàn)，原始軌跡與融合軌跡的相似度較高，六組實驗的平均軌跡相似度為0.95，遠高于業(yè)內軌跡相似度的期望平均值（一般為0.8），這表明在所提方法的控制下，無人機可以在無人員干預下自主辨識巡檢路徑，進而實現(xiàn)輸電線路的自主巡檢。

由表2可以看出：在保證原始軌跡與融合軌跡具有較高相似度的同時，采用本文提出的航線自學習方法后，在飛行航線上采集的航點數(shù)量比手動方法的航點數(shù)量減少50%以上，避免了大量無效路點的信息采集，這樣不僅可以提升巡檢效率，而且可以節(jié)約無人機電量，有助于擴大無人機巡檢區(qū)域。

在完成航線自學習方法的驗證后，給出了可以驗證所提巡檢對象差異特性的動態(tài)優(yōu)化定位方法在定位差異特性設備方面的有效性，如圖5所示。圖中的目標設備雖然不在正中央，但都包含在圖片范圍中，不同設備定位優(yōu)化前后的調整時間對比如表3所示。

由上述實驗結果可知，基于巡檢對象差異特性的動態(tài)優(yōu)化定位方法可以利用電力巡檢設備的特點，以及規(guī)范化作業(yè)中巡檢設備畫面占幅比不同的特點，動態(tài)調整定位容忍閾值，在保證目標設備拍攝準確率的前提下進一步降低巡檢用時，提高了巡檢效率。

4 結 論

針對當前輸電線路無人機巡檢系統(tǒng)過度依賴專業(yè)人員操作、巡檢精度易受環(huán)境影響、遠距離遙控可靠性較低等不足，設計基于航線自學習技術的無人機自主巡檢方法，通過融合卡爾曼濾波、路點信息的篩選流程和垂距法提高融合線路與原始線路間的相似度;在此基礎上，設計了針對不同設備的定位優(yōu)化方法，從而使得無人機在完成高精度自主巡檢的同時，實現(xiàn)了各類輸電線路設備的精準定位，對于推動輸電線路巡檢無人機的智能化、無人化穩(wěn)定作業(yè)提供了有效的解決方案。

參考文獻

[1] 趙晉泉， 鄧暉， 吳小辰， 等. 基于廣域響應的電力系統(tǒng)暫態(tài)穩(wěn)定控制技術評述[J]. 電力系統(tǒng)保護與控制， 2016， 44（5）： 1-9.

[2] 劉勇， 陳海濱， 劉方. 基建現(xiàn)場巡檢無人機智能感知系統(tǒng)的研究與應用[J]. 電力系統(tǒng)保護與控制， 2018， 46（15）： 155-161.

[3] 賈曙光， 金愛兵， 趙怡晴. 無人機攝影測量在高陡邊坡地質調查中的應用[J]. 巖土力學， 2018， 39（3）： 1130-1136.

[4] 楊鼎成， 劉偉東， 肖霖， 等. 基于無人機的區(qū)域環(huán)境監(jiān)測物聯(lián)網系統(tǒng)[J]. 現(xiàn)代電子技術， 2019， 42（1）： 19-23.

[5] 陳志明，牛康，李磊，等. 基于BSP-ANN的四旋翼無人機軌跡跟蹤方法[J]. 航空學報，2018，39（6）：182-189.

[6] 張楊，吳文海，胡云安，等. 艦載無人機著艦軌跡跟蹤魯棒控制器設計[J]. 控制理論與應用，2018，35（4）：557-565.

[7] 馬振宇，祝小平，周洲. 一種方向舵螺旋槳聯(lián)用的全翼式太陽能無人機橫航向控制方法[J]. 航空學報，2018，39（3）：215-225.

[8] MOSBAH H， EI-HAWARY M E. Optimized neural network parameters using stochastic fractal technique to compensate Kalman filter for power system-tracking-state estimation[J]. IEEE Transactions on Neural Networks and Learning Systems， 2019， 30（2）： 379-388.

[9] BABU K S， DETROJA K. Inverse free Kalman filter using approximate inverse of diagonally dominant matrices[J]. IEEE Control Systems Letters， 2019， 3（1）： 120-125.